Stata初高级特训_2024年暑期 我要报名 ¥6000
Peixun.net > 现场班 > 计量实证分析 > Stata初高级特训_2024年暑期

Stata初高级特训_2024年暑期

满意程度:     课程系列:A4
课时:0 分钟| 1337人学习 分享 收藏
本课程通过覆盖全课程的完整代码、配套数据,以及对应理论方法,系统讲授Stata软件的基本操作、编程、数据管理与图形可视化,进而由浅入深,全面讲授目前在应用研究领域使用最为广泛的计量分析方法,主要模型配之以示例论文,完整再现论文。
初高级6天包含18篇论文

上课信息

上课时间: 2024年7月16-18, 20-22日 (六天)
9:00-12:00;14:00-17:00;答疑

上课地点: 上海现场班, 同步远程直播; 提供录播回放

Stata初高级特训_2024年暑期

第一部分(初级)

第1讲 Stata基础操作(3h)

1.1 Stata软件快速入门

1.2 Stata菜单操作

1.3 Stata路径设定:sysdir和adopath

1.4 Stata外部命令科学管理与更新

1.5 各类文件的合理组织:do文件、ado文件和数据文件

1.6 Stata命令与帮助文件

1.7 do文件创建与优化

1.8 标量与矩阵

第2讲 数据处理与作图(3h)

2.1 数据处理准备

2.1.1 各类数据导入与导出

2.1.2 整理、提取和变量转换

2.2 合并、转换与堆叠

2.2.1 纵向与横向数据合并

2.2.2 数据转换

2.2.3 数据堆叠与面板数据构建

2.3 数据清理

2.3.1 单变量清理

2.3.2 多变量清理

2.4 缺失值与补漏方法集成

2.5 数据清理实操

2.5.1 主流数据库:Wind数据转换为Stata面板数据

2.5.2 微观调查类数据处理:以CFPS数据为例

2.6 Stata数据的科学图形展示

2.6.1 基础图形命令应用

2.6.2 面板数据的动态显示

2.6.3 交错事件面板数据图形

2.6.4 回归系数可视化

2.6.5 分箱散点图

2.7 例文软件实现与解读:

① Cattaneo M D, Crump R K, Farrell M H, et al. On binscatter[J]. American Economic Review, 2024,

114(5): 1488-1514.

第3讲 Stata程序与编程(3h)

3.1 局域暂元与全局暂元

3.1.1 global的使用技巧

3.1.2 local的几种常用方法

3.2 条件与循环语句

3.2.1 巧用if嵌套语句

3.2.2 循环语句

3.3 程序编写规范与语法解析

3.3.1 Stata程序结构

3.3.2 程序参数解析

3.3.3 程序返回值

3.3.4 标准语法解析

3.3.5 参数类型验证

3.3.6 低级参数解析

3.3.7 临时变量、矩阵和文件

3.4 ado文件与hlp文件

3.4.1ado文件编写规范

3.4.2标准文件的编写

3.5 Stata编程示例: LM和GMM估计的代码编程

第4讲 线性回归模型、内生性与工具变量法(3h)

4.1 regress估计、结果解释与边际效应

4.2 如何正确使用稳健与聚类-稳健标准误

4.3 Wild cluster bootstrap

4.4 自变量相对重要性的Shapley分解

4.5 内生性问题的来源与修正方法

4.6 IV估计量:IV、2SLS和GMM

4.7 恰好与过度识别模型的IV估计

4.8 弱工具变量检验

4.9 弱工具变量的稳健推断

4.10 IV和OLS估计系数差异分解

4.11 例文软件实现与解读:

② 尹志超等. 农村劳动力流动对家庭储蓄率的影响[J]. 中国工业经济,2020.

③ Ishimaru S. Empirical decomposition of the iv-ols gap with heterogeneous and nonlinear effects[J].

Review of Economics and Statistics, 2024: 1-16.

第5讲 因果推断经验研究中的中介效应与调节效应(IV)(3h)

5.1 中介效应模型的现行做法与检验

5.2 中介效应检验的反思

5.3 中介效应分析的操作建议

5.4 中介效应估计新命令:sgmediation2

5.5 具有工具变量的中介效应分析

5.6 基于结构方程模型的中介效应分析

5.7 调节效应与异质性分析

5.8 调节效应分析的操作建议

5.9 机制分析

5.10 例文软件实现与解读:

④ 孙伟增,毛宁,兰峰等.政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J].

中国工业经济,2023.

⑤ 曹伟,綦好东,赵璨.企业金融资产的配置动机:基于产权性质与异质性股东参股的分析[J].中国工业经济,2023.

⑥ Braghieri L, Levy R, Makarin A. Social media and mental health[J]. American Economic Review, 2022.

第6讲 静态面板数据模型与双重差分法(3h)

6.1 估计量比较:混合OLS、组内、组间与一阶差分

6.2 模型选择检验:固定效应or随机效应模型

6.3 面板数据内生性与IV估计

6.4 高维固定效应模型:reghdfe

6.5 政策评估两种偏误如何影响评估效果

6.6 双重差分的7种估计方法

6.7 双重差分法的平行趋势检验与安慰剂检验

6.8 Stata时间-空间维度安慰剂检验新命令

6.9 多期双重差分的估计与规范作图

6.10 三重差分估计如何检验平行趋势

6.11 例文软件实现与解读:

⑦ 曹清峰.国家级新区对区域经济增长的带动效应——基于70大中城市的经验证据.中国工业经济,2020.

第二部分(高级)

第7讲 长面板与动态面板数据模型(3h)

7.1 长面板估计策略

7.2 长面板估计方法选择:稳健 vs. 效率

7.3 组内自相关与组间同期相关检验

7.4 偏差校正LSDV估计

7.5 面板工具变量估计法

7.6 工具变量高维固定效应面板

7.7 移动份额工具变量法Bartik方法

7.8 动态面板数据的差分与系统GMM估计

7.9 不规则时间间隔的动态面板数据

7.10 例文软件实现与解读:

① Acemoglu D, Naidu S, Restrepo P, et al. Democracy does cause growth. Journal of political economy,

2019.

② Borusyak K, Hull P, Jaravel X. Quasi-experimental shift-share research designs[J]. The Review of Economic Studies, 2022.

Economic Studies, 2022.

第8讲 非平稳与非线性面板数据模型(3h)

8.1 跨截面相依检验

8.2 面板单位根检验

8.3 面板协整检验

8.4 异质性数据的面板Granger检验-xtgrangert

8.5 静态面板门槛数据模型

8.6 具有内生性与门限效应的动态面板数据模型

8.7 共同因子数量测度

8.8 具有共同相关因子的动态面板数据模型

8.9 面板向量自回归模型(PVAR)

8.10 例文软件实现与解读:

③ Ditzen J., Estimating long run effects and the exponent of cross-sectional dependence: an update to xtdcce2, The Stata Journal,2021.

xtdcce2, The Stata Journal,2021.

④ 王维国,王鑫鹏.创新转化效率、要素禀赋与中国经济增长[J].数量经济技术经济研究,2022.

第9讲 因变量受限的面板数据模型(3h)

9.1 面板二值选择模型

9.2 面板logit的边际效应与处理效应

9.3 面板多值选择模型

9.4 面板Tobit模型

9.5 面板计数模型:泊松与负二项模型

9.6 多项选择面板回归模型

9.7 高维固定效应泊松面板模型

9.8 动态面板Probit模型

9.9 非平衡面板的动态面板Probit模型

9.10 例文软件实现与解读:

⑤ 吴小康,于津平.科技中介与全国统一技术大市场建设[J].数量经济技术经济研究,2023.

第10讲 异质性DID模型(3h)

10.1 如何在多期与处理时间变化时,选择合适的DID估计量?

10.2 负权重的诊断:de Chaisemartin and D’Haultfoeuille 分解

10.3 禁止比较组的诊断:Bacon分解

10.4 组别-时期平均处理效应估计:csdid和did_multiplegt

10.5 插补估计量:did_imputation

10.6 堆叠回归估计量:stackedev

10.7 通过TWFE的事件研究:eventstudyinteract与jwdid

10.8 Stata官方异质性双重差分命令:xthdidregress

10.9 放松或允许平行趋势假设被违反

10.10 稳健性推论和敏感性分析

10.11 异质性处理效应应用建议

10.12 例文软件实现与解读:

⑥ De Chaisemartin C, d’Haultfoeuille X. Two-way fixed effects and differences-in-differences with heterogeneous treatment effects: A survey[J]. The Econometrics Journal, 2023.

heterogeneous treatment effects: A survey[J]. The Econometrics Journal, 2023.

⑦ Roth J, Sant’Anna P H C, Bilinski A, et al. What’s trending in difference-in-differences? A synthesis of the recent econometrics literature, Journal of Econometrics, 2023.

the recent econometrics literature, Journal of Econometrics, 2023.

⑧ 余长林,马青山.特高压输电与区域经济发展——来自特高压工程的经验证据[J].数量经济技术经济研究,2023.

第11讲 断点回归与合成控制(3h)

11.1 精确断点回归

11.2 断点回归的检验(连续性检验、安慰剂检验)

11.3 模糊断点估计

11.4 多断点回归

11.5 断点回归(RDD)与扭点回归(RKD)的最优模型选择

11.6 合成控制法

11.7 非参数合成控制法

11.8 合成控制与合成双重差分的比较

11.9 例文软件实现与解读:

⑨ Cattaneo M D, Idrobo N, Titiunik R. A Practical Introduction to Regression Discontinuity Designs: Extensions[M]. Cambridge University Press, 2024.

Extensions[M]. Cambridge University Press, 2024.

⑩ Clarke, D Pailañir, S. Athey and G. Imbens. Synthetic Difference-in-Differences Estimation. IZA Discussion Paper, 2023.

Discussion Paper, 2023.

第12讲 Lasso在预测与推断中的应用(3h)

12.1 变量选择与交叉验证

12.2 收缩法:ridge, Lasso, elasticnet

12.3 Lasso用于预测

12.4 Lasso用于推断

12.4.1 变量选择与系数估计

12.4.2 获得标准误

12.5 不同结果变量的Lssso推断命令

12.5.1 连续结果变量

12.5.2 两元选择结果变量

12.5.3 计数结果变量

12.6 系数解释:边际效应、对比、获胜率、发生率

12.7 实例:探讨母亲教育和吸烟习惯对出生体重的影响

12.8 扩展Lasso模型

12.8.1 adaptive Lasso

12.8.2 ivlasso

12.8.3 pdslass

12.8.4 dslasso

12.9 例文软件实现与解读:

⑪ Ahrens A, Hansen C B, Schaffer M E. lasso pack: Model selection and prediction with regularized regression in Stata[J]. The Stata Journal, 2020, 20(1): 176-235.

regression in Stata[J]. The Stata Journal, 2020, 20(1): 176-235.


报名时间 2024-05-16 00:00 至 2024-07-16 00:00
培训时间 2024年7月16-18, 20-22日 (六天)
培训地点 上海现场班, 同步远程直播; 提供录播回放
培训费用 6000元/5600元(学生优惠价仅限全日制本科及硕士在读)
授课安排 9:00-12:00;14:00-17:00;答疑


一、课程简介

本课程通过覆盖全课程的完整代码、配套数据,以及对应理论方法,系统讲授Stata软件的基本操作、数据管理与图形可视化,以及编程的核心技能。通过学习,使首次或初步接触Stata软件的学员,能够熟练、高效、规范的使用Stata软件进行数据分析和研究。

在掌握Stata软件的整体架构和基本操作之后,我们的课程将引领学员深入探索并掌握一系列广泛应用于不同学科领域的高级计量分析方法。适用学科包括经济学、金融学、会计学、区域经济学、产业经济学、城市经济学、管理学、教育学等。2024年暑期课程重点讲授线性回归模型、工具变量法(IV)、机制分析法、面板数据模型(线性、非线性、非平稳)、二值与多值选择模型、双重差分方法、断点回归、合成控制法、空间面板数据模型等。

课程的主要目的在于帮助高校教师、科研机构研究人员、在校博硕士研究生,以及高年级本科生,完整的掌握学术论文实证过程中的数据预处理、计量经济模型构建与选择,计量模型实现与结果解读的完整过程。因此,在课程的安排上,先是对Stata软件应用的基本技术、数据处理的相关技巧和实务,以及Stata软件程序命令编写的主要知识点进行深入学习,继而进行计量理论内容和Stata软件实现相结合的教学,再对主要命令实现计量理论模型过程与结果解读进行讲授,最后,对主要模型配之以示例论文,完整再现论文,达到论文复制与再现,进而具备独立撰写学术论文的能力。

课程分为初级和高级两个层次。学员可以根据自己的需求和基础,选择参加初级或高级课程中的任意一个系列。然而,为了获得更全面的知识和技能,我们更建议学员选择参加两个系列的全部课程,以实现系统的学习和深入理解。通过全程参与,学员可以逐步构建起扎实的Stata软件操作能力和计量经济学分析技能,从而在学术研究或职业发展中取得更好的成果。



二、课程对象

高等院校和科研院所经济学、管理学、政治学、社会学、教育学等经济、管理、教育、政治等社会学科及相关社科类从事定量学术研究的教师、博硕士研究生、优秀本科生和学者,以及其他对Stata统计计量软件与计量经济方法感兴趣的研究人员。


三、课程特色

1、 更加注重课程细节内容的设置和深入。

针对寒假班可能存在部分学员首次接触Stata软件的情况,本次课程在Stata软件操作的细节上进行了调整,增加了Stata菜单操作简介,使得学员能够更快熟悉Stata软件,另一方面,增加了从将从Wind数据库下载的数据直接转换为面板数据的实操部分,提升了数据处理实际技能。


2、 紧跟学科前沿与研究需要,优化了课程的章节内容。

针对较多学员对中介效应与调节效应模型较为关注的情况,将中介效应与调节效应单独作为一讲进行讲解,并对两类模型的构建、检验流程与分解方法进行详细讲授。针对较多学员对于向量自回归模型及扩展模型较为关注的情况,本次课程增加了结构向量自回归模型、符号约束向量自回归模型,贝叶斯向量自回归模型等宏观领域的较新模型。针对单方程模型可能无法描述复制经济现象的现实,本次课程增加了联立方程章节,详细讲授联立方程的识别、估计约束设定等重要问题。


3、 结合每讲主题,精心优化了课程的例文。

本次课程在对课程内容进行扩展的基础上,又对课程例文进行了精心挑选和优化,从研究主题上,尽可能考虑到大多数学员专业背景多样性的特点,多一些主题,从研究方法上,尽可能与该讲的主要模型类型相一致,增进对模型的理解和掌握,在软件实现上,尽可能与较新的命令应用相结合。



四、课程大纲

初级班:

第1讲 Stata基础操作(3h)

1.1 Stata软件快速入门

1.2 Stata菜单操作

1.3 Stata路径设定:sysdir和adopath

1.4 Stata外部命令科学管理与更新

1.5 各类文件的合理组织:do文件、ado文件和数据文件

1.6 Stata命令与帮助文件

1.7 do文件创建与优化

1.8 标量与矩阵

第2讲 数据处理与作图(3h)

2.1 数据处理准备

2.1.1 各类数据导入与导出

2.1.2 整理、提取和变量转换

2.2 合并、转换与堆叠

2.2.1 纵向与横向数据合并

2.2.2 数据转换

2.2.3 数据堆叠与面板数据构建

2.3 数据清理

2.3.1 单变量清理

2.3.2 多变量清理

2.4 缺失值与补漏方法集成

2.5 数据清理实操

2.5.1 主流数据库:Wind数据转换为Stata面板数据

2.5.2 微观调查类数据处理:以CFPS数据为例

2.6 Stata数据的科学图形展示

2.6.1 基础图形命令应用

2.6.2 面板数据的动态显示

2.6.3 交错事件面板数据图形

2.6.4 回归系数可视化

2.6.5 分箱散点图

2.7 例文软件实现与解读:

① Cattaneo M D, Crump R K, Farrell M H, et al. On binscatter[J]. American Economic Review, 2024,

114(5): 1488-1514.

第3讲 Stata程序与编程(3h)

3.1 局域暂元与全局暂元

3.1.1 global的使用技巧

3.1.2 local的几种常用方法

3.2 条件与循环语句

3.2.1 巧用if嵌套语句

3.2.2 循环语句

3.3 程序编写规范与语法解析

3.3.1 Stata程序结构

3.3.2 程序参数解析

3.3.3 程序返回值

3.3.4 标准语法解析

3.3.5 参数类型验证

3.3.6 低级参数解析

3.3.7 临时变量、矩阵和文件

3.4 ado文件与hlp文件

3.4.1 ado文件编写规范

3.4.2 标准文件的编写

3.5 Stata编程示例: LM和GMM估计的代码编程

第4讲 线性回归模型、内生性与工具变量法(3h)

4.1 regress估计、结果解释与边际效应

4.2 如何正确使用稳健与聚类-稳健标准误

4.3 Wild cluster bootstrap

4.4 自变量相对重要性的Shapley分解

4.5 内生性问题的来源与修正方法

4.6 IV估计量:IV、2SLS和GMM

4.7 恰好与过度识别模型的IV估计

4.8 弱工具变量检验

4.9 弱工具变量的稳健推断

4.10 IV和OLS估计系数差异分解

4.10 例文软件实现与解读:

② 尹志超等. 农村劳动力流动对家庭储蓄率的影响[J]. 中国工业经济,2020.

③ Ishimaru S. Empirical decomposition of the iv-ols gap with heterogeneous and nonlinear effects[J].

Review of Economics and Statistics, 2024: 1-16.

第5讲 因果推断经验研究中的中介效应与调节效应(IV)(3h)

5.1 中介效应模型的现行做法与检验

5.2 中介效应检验的反思

5.3 中介效应分析的操作建议

5.4 中介效应估计新命令:sgmediation2

5.5 具有工具变量的中介效应分析

5.6 基于结构方程模型的中介效应分析

5.7 调节效应与异质性分析

5.8 调节效应分析的操作建议

5.9 机制分析

5.10 例文软件实现与解读:

④ 孙伟增,毛宁,兰峰等.政策赋能、数字生态与企业数字化转型——基于国家大数据综合试验区的准自然实验[J].

中国工业经济,2023.

⑤ 曹伟,綦好东,赵璨.企业金融资产的配置动机:基于产权性质与异质性股东参股的分析[J].中国工业经济,2023.

⑥ Braghieri L, Levy R, Makarin A. Social media and mental health[J]. American Economic Review, 2022.

第6讲 静态面板数据模型与双重差分法(3h)

6.1 估计量比较:混合OLS、组内、组间与一阶差分

6.2 模型选择检验:固定效应or随机效应模型

6.3 面板数据内生性与IV估计

6.4 高维固定效应模型:reghdfe

6.5 政策评估两种偏误如何影响评估效果

6.6 双重差分的7种估计方法

6.7 双重差分法的平行趋势检验与安慰剂检验

6.8 Stata时间-空间维度安慰剂检验新命令

6.9 多期双重差分的估计与规范作图

6.10 三重差分估计如何检验平行趋势

6.11 例文软件实现与解读:

⑦ 曹清峰.国家级新区对区域经济增长的带动效应——基于70大中城市的经验证据.中国工业经济,2020.



高级班:

第1讲 长面板与动态面板数据模型(3h)

1.1 长面板估计策略

1.2 长面板估计方法选择:稳健 vs. 效率

1.3 组内自相关与组间同期相关检验

1.4 偏差校正LSDV估计

1.5 面板工具变量估计法

1.6 工具变量高维固定效应面板

1.7 移动份额工具变量法Bartik方法

1.8 动态面板数据的差分与系统GMM估计

1.9 不规则时间间隔的动态面板数据

1.10 例文软件实现与解读:

① Acemoglu D, Naidu S, Restrepo P, et al. Democracy does cause growth.

Journal of political economy, 2019.

② Borusyak K, Hull P, Jaravel X. Quasi-experimental shift-share research designs[J]. The Review of Economic Studies, 2022.

Studies, 2022.

第2讲 非平稳与非线性面板数据模型(3h)

2.1 跨截面相依检验

2.2 面板单位根检验

2.3 面板协整检验

2.4 异质性数据的面板Granger检验-xtgrangert

2.5 静态面板门槛数据模型

2.6 具有内生性与门限效应的动态面板数据模型

2.7 共同因子数量测度

2.8 具有共同相关因子的动态面板数据模型

2.9 面板向量自回归模型(PVAR)

2.10 例文软件实现与解读:

③ Ditzen J., Estimating long run effects and the exponent of cross-sectional dependence: an update to

xtdcce2, The Stata Journal,2021.

④ 王维国,王鑫鹏.创新转化效率、要素禀赋与中国经济增长[J].数量经济技术经济研究,2022.

第3讲 因变量受限的面板数据模型(3h)

3.1 面板二值选择模型

3.2 面板logit的边际效应与处理效应

3.3 面板多值选择模型

3.4 面板Tobit模型

3.5 面板计数模型:泊松与负二项模型

3.6 多项选择面板回归模型

3.7 高维固定效应泊松面板模型

3.8 动态面板Probit模型

3.9 非平衡面板的动态面板Probit模型

3.10 例文软件实现与解读:⑤ 吴小康,于津平.科技中介与全国统一技术大市场建设[J].数量经济技术经济研究,2023.

第4讲 异质性DID模型(3h)

4.1 如何在多期与处理时间变化时,选择合适的DID估计量?

4.2 负权重的诊断:de Chaisemartin and D’Haultfoeuille 分解

4.3 禁止比较组的诊断:Bacon分解

4.4 组别-时期平均处理效应估计:csdid和did_multiplegt

4.5 插补估计量:did_imputation

4.6 堆叠回归估计量:stackedev

4.7 通过TWFE的事件研究:event study interact与jwdid

4.8 Stata官方异质性双重差分命令:xthdidregress

4.9 放松或允许平行趋势假设被违反

4.10 稳健性推论和敏感性分析

4.11 异质性处理效应应用建议

4.12 例文软件实现与解读:

⑥ De Chaisemartin C, d’Haultfoeuille X. Two-way fixed effects and differences-in-differences with heterogeneous treatment effects: A survey[J]. The Econometrics Journal, 2023. differences with heterogeneous treatment effects: A survey[J]. The Econometrics

heterogeneous treatment effects: A survey[J]. The Econometrics Journal, 2023.

⑦ Roth J, Sant’Anna P H C, Bilinski A, et al. What’s trending in difference-in-differences? A synthesis of the recent econometrics literature, Journal of Econometrics, 2023.

the recent econometrics literature, Journal of Econometrics, 2023.

⑧ 余长林,马青山.特高压输电与区域经济发展——来自特高压工程的经验证据[J].数量经济技术经济研究,2023.

第5讲 断点回归与合成控制(3h)

5.1 精确断点回归

5.2 断点回归的检验(连续性检验、安慰剂检验)

5.3 模糊断点估计

5.4 多断点回归

5.5 断点回归(RDD)与扭点回归(RKD)的最优模型选择

5.6 合成控制法

5.7 非参数合成控制法

5.8 合成控制与合成双重差分的比较

5.9 例文软件实现与解读:

⑨ Cattaneo M D, Idrobo N, Titiunik R. A Practical Introduction to Regression Discontinuity Designs: Extensions[M]. Cambridge University Press, 2024.

Extensions[M]. Cambridge University Press, 2024.

⑩ Clarke, D Pailañir, S. Athey and G. Imbens. Synthetic Difference-in-Differences Estimation. IZA Discussion Paper, 2023.

Discussion Paper, 2023.

第6讲 Lasso在预测与推断中的应用(3h)

6.1 变量选择与交叉验证

6.2 收缩法:ridge, Lasso, elasticnet

6.3 Lasso用于预测

6.4 Lasso用于推断

6.4.1 变量选择与系数估计

6.4.2 获得标准误

6.5 不同结果变量的Lssso推断命令

6.5.1 连续结果变量

6.5.2 两元选择结果变量

6.5.3 计数结果变量

6.6 系数解释:边际效应、对比、获胜率、发生率

6.8 扩展Lasso模型

6.8.1 adaptive Lasso

6.8.2 ivlasso

6.8.3 pdslass

6.8.4 dslasso

6.9 例文软件实现与解读:

⑪ Ahrens A, Hansen C B, Schaffer M E. lasso pack: Model selection and prediction with regularized regression in Stata[J]. The Stata Journal, 2020, 20(1): 176-235.

regression in Stata[J]. The Stata Journal, 2020, 20(1): 176-235.



优惠:

现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;

以上优惠与学生优惠价不叠加。


课程提供发票,开课通知及结业证书;课程资料包含do文档,讲义,数据及范例论文。


联系方式:

尹老师

电话:13321178792

QQ:42884447

WeChat:JGxueshu


课程订阅

讲师介绍


Peixun.net

Stata初高级特训_2024年暑期

请认真填写以下信息,方便为您服务
  • 姓名:
  • 电话:
  • 邮箱:
  • 备注:
  • 邀请码:
  • 您还可以选择 登录 或者 注册 更方便您管理课程。

Peixun.net

您关于:

Stata初高级特训_2024年暑期

的报名信息已经提交成功。

去购物车结算
您可以选择 登录 或者 注册 更方便您管理课程。
回头再说
联系顾问 顾问微信

邮件已发送!

已成功发送邮件到您注册的邮箱 请前往查询并点击链接重置密码

有待解答的问题

3 名学员对您的课程提问,需要您作出回答。 现在就去